【技术实现步骤摘要】
本专利技术涉及知识感知推荐，特别是涉及一种基于双曲动态神经网络的知识感知推荐方法。
技术介绍
1、知识图是一种表示知识或实体之间关系的图形化工具，知识图可以用于各种领域，如人工智能、自然语言处理、社交网络、数据挖掘等，帮助人们更好地理解和组织知识。
2、在现有技术中，通过利用知识图和神经网络的结合可以有效的向客户进行推荐，但是现有技术忽略了人类的知识是层次性的，并且在层次结构中包含层次关系和非层次关系，层次关系和非层次关系在表示物品时的重要性是不同的。切目前的研究大多数的聚合策略都是针对知识图谱的，从知识图中递归地收集物品的知识关联，忽略了物品的高阶协作信号，使得最终输出的推荐信息精度低，无法准确向用户推荐用户想要的知识或产品等。
技术实现思路
1、本专利技术旨在至少解决现有技术中忽略了物品的高阶协作信号，使得最终输出的推荐信息精度低的技术问题，特别创新地提出了一种基于双曲动态神经网络的知识感知推荐方法；
2、为了实现本专利技术的上述目的，本专利技术提供了：
3、一种基于双曲动态神经网络的知识感知推荐方法，包括：
4、在基准点上对所有用户、物品和实体进行编码，并生成知识图和用户物品交互图；
5、利用对数映射将所述知识图和用户物品交互图输入至动态过滤器，并生成增强后的知识图谱和增强后的用户物品交互图；
6、利用所述知识聚合将增强后的知识图谱中物品的领域信息进行聚合，生成物品的高阶协作信号；
7、利用所
8、将所述物品的高阶协作信号和用户的高阶协作信号输入双边记忆网络中进行融合，输出物品的两种表现形式和用户的最终嵌入；
9、利用所述用户的最终嵌入分别与所述物品的两种表现形式进行余弦相识度比较来评估预测分数，再将所述预测分数最高的物品推荐给用户。
10、作为本专利技术的一种可选实施例，可选地，所述在基准点上对所有用户、物品和实体进行编码包括：
11、令x∈rd-1来表示欧几里德输入，其中d表示维度，r表示欧几里德空间；
12、令e∈bd来表示变换后的双曲特征嵌入，其中b表示庞加莱球空间；
13、按以下公式对实体进行编码：
14、
15、其中，w表示权重矩阵，xu表示欧氏空间中中知识图谱的用户，表示欧式空间中知识图谱中物品之间的关系，xi表示欧氏空间中知识图谱的物品，eu表示在双曲空间中的用户，用户物品交互图中的交互关系实体，ei表示双曲空间中的物品，o表示基准点，c表示曲率；
16、所述知识图谱包括头实体、关系和尾实体，将所述头实体、尾实体和关系分别编码到不同的实体空间和关系空间中，并通过各实体之间的投影变换来学习，其编码的公式为：
17、
18、其中，xh表示欧式空间中的头实体，xr表示欧式空间中用户物品交互图中的交互关系，xt表示欧式空间中的尾实体，eh表示欧氏空间中的物品，er表示知识图谱中的关系实体，et知识图谱中的关系；
19、其中，eh、er和et之间的关系为：
20、
21、作为本专利技术的一种可选实施例，可选地，所述利用对数映射将所述知识图和用户物品交互图输入至动态过滤器，并生成增强后的知识图谱和增强后的用户物品交互图包括：
22、利用过滤器[m1,m2,...,mn]生成特征图则un表示为：
23、
24、其中，*表示滤波操作，mn表示过滤器，f(·)表示修正线性单元，表示所有编码后的向量，a表示x轴方向的平移距离，b表示y轴方向的平移距离；
25、利用所述特征图来增强所述知识图谱和用户物品交互图，生成增强后的知识图谱和增强后的用户物品交互图。
26、作为本专利技术的一种可选实施例，可选地，所述利用所述知识聚合将增强后的知识图谱中物品的领域信息进行聚合包括：
27、利用均值聚合器通过关系通道将关系上下文集成到表示学习过程中；
28、利用mk＝{(r,t)|(h,r,t)∈g′k}来表示与知识图谱中物品的一阶关系邻域实体；
29、结合上下文关系的邻近实体来学习物品的高阶嵌入，其表示如下：
30、
31、其中，表示n后的物品嵌入，函数表示对数映射，函数表示指数映射。
32、作为本专利技术的一种可选实施例，可选地，所述利用所述协作聚合将增强后的用户物品交互图中用户的领域信息进行聚合，生成用户的高阶协作信号包括：
33、利用表示物品i交互的所有用户；
34、对物品i的第n层进行采样，利用关系信息通道传播来自n-hop子图的协作信号，并迭代聚合到中心物品i；
35、所述i的第n层表示为：
36、
37、其中，表示第n层之后的向嵌入，表示交互关系，表示用户u在(n-1)层之后的嵌入。
38、作为本专利技术的一种可选实施例，可选地，所述将所述物品的高阶协作信号和用户的高阶协作信号输入双边记忆网络中进行融合包括：
39、将物品交互图和知识图谱输入双边记忆网络中进行学习，并形成物品的融合表示；
40、利用用户交互过的所述物品的融合表示，进行用户聚合，生成用户的高阶表示。
41、作为本专利技术的一种可选实施例，可选地，所述物品的融合表示为：
42、
43、
44、其中，表示给定物品i的第n层融合表示，σ(·)为激活函数，w为权重矩阵，且w∈r(d×d)，ft和it均为变量用于调节特征状态的增强过程，变量gi表示用户物品二分图中的判别信号，变量gi用于调节物品i的协作信息的重要性，变量gk表示知识图谱中的判别信号，变量gk用于调节物品i的知识关联的重要性，e表示实体，表示物品的融合表示，ei表示物品在用户物品交互图中的表达，eh表示物品在知识图谱中的表达；
45、用户的高阶表示包括：
46、令mu＝{i|(u,i)∈g′u}表示用户u交互的物品集，则用户u的高阶表示为：
47、
48、其中，表示用户u的高阶表示，表示物品在(n-1)之后的嵌入。
49、作为本专利技术的一种可选实施例，可选地，所述利用所述用户的最终嵌入分别与所述物品的两种表现形式进行余弦相识度比较来评估预测分数，再将所述预测分数最高的物品推荐给用户包括：
50、对物品i和用户u经过n层处理后，融合物品i和用户u在每分层上的集成表示，其集成表示为：
51、
52、计算预测分数：
53、
54、其中表示预测分数。
55、作为本专利技术的一种可选实施例，可选地，所述方法还包括：
56、利用损失函数和预测分数优化所述双曲动态神经网络；
57、优化所述双曲动本文档来自技高网...
【技术保护点】
1.一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述在基准点上对所有用户、物品和实体进行编码包括：
3.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述利用对数映射将所述知识图和用户物品交互图输入至动态过滤器，并生成增强后的知识图谱和增强后的用户物品交互图包括：
4.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述利用所述知识聚合将增强后的知识图谱中物品的领域信息进行聚合包括：
5.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述利用所述协作聚合将增强后的用户物品交互图中用户的领域信息进行聚合，生成用户的高阶协作信号包括：
6.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述将所述物品的高阶协作信号和用户的高阶协作信号输入双边记忆网络中进行融合包括：
7.根据权利要求6所述的一种基于双
8.根据权利要求7所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述利用所述用户的最终嵌入分别与所述物品的两种表现形式进行余弦相识度比较来评估预测分数，再将所述预测分数最高的物品推荐给用户包括：
9.根据权利要求8所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述方法还包括：
10.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述方法还包括：
...【技术特征摘要】
1.一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述在基准点上对所有用户、物品和实体进行编码包括：
3.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述利用对数映射将所述知识图和用户物品交互图输入至动态过滤器，并生成增强后的知识图谱和增强后的用户物品交互图包括：
4.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述利用所述知识聚合将增强后的知识图谱中物品的领域信息进行聚合包括：
5.根据权利要求1所述的一种基于双曲动态神经网络的知识感知推荐方法，其特征在于，所述利用所述协作聚合将增强后的用户物品交互图中用户的领域信息进行聚合，生成用户的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。